制造能耗优化中的大数据算法

传统制造系统的核心5要素，即材料、设备、工艺、测量和维护，过去的工业革命都是围绕着这5个要素来进行技术升级。然而，无论是设备的精度和自动化水平提升，还是使用统计科学进行数字化管理，这些活动依然是围绕着人的经验开展的，人依然是驾驭着这5个要素的核心。而智能制造系统区别于传统制造系统最重要的要素就是“建模”，并且正是通过这第六个要素来驱动其他五个要素，从而解决或是避免制造系统的问题。

因此，智能制造系统运行的逻辑是：发现问题 — 模型（或在人的帮助下）分析问题 — 模型调整5个要素 — 解决问题 — 模型积累经验，或分析问题根源 — 模型调整5个要素 — 避免问题。

基于对智能制造的深入理解和不断的实践，基于全维度丰富的行业数据业务经验和先进算法，我们开发了面向不同场景落地化应用，为车企实现以工业大数据为核心驱动的降本增效。

我们与某大型合资车企的制造基地共同研发了一套针对水容器车身清洗的智能节能系统，我们选择了一个涂装车间喷漆的前处理工位，作为智能制造模型探索的试点。

白车身进入喷漆工序之前，需要浸泡在前处理工序的多个恒温的水槽中进行脱脂、清洗、磷化等一系列处理，这些巨型的水槽需要一直消耗天然气来加热，使得水槽的温度保持恒温。如果前道工序发生停线，能否计算最佳的水槽加热启停时间，节省能源消耗，是我们要解决的关键问题。

我们通过构建目标模型，求得了水容器的最佳启停时间。针对这个能源优化问题，数策项目组进行了精算：根据停线1.5小时计算，采用最佳启停时间可节省的能耗是1000元；如果按照每个月停线30次，单个水槽每月的节约成本是3万元。按照一般清洗的三个工位计算，一年将节省108万元。

根据我们的实践经验，能源优化分析可以从以下三个部分由易到难进行开展：

商业场景模拟

从工厂角度看各车间情况，在生产线正常运作的工程中，一旦车身车间出现设备故障，生产线则会停机。传统的前处理工位启停模式为多个工位同时启停，现在，基于“智能工厂”的发展方向，该车企希望利用车间内无所不在的传感器、电子标签、监控器的数据，通过成熟先进的数据分析工具挖掘数据价值。油漆用户和车身确认实际停机预判时间后，可根据预测分析，通过能耗比对，更专业地为工程师提供最佳启停方案。

业务模式转换为数学建模

为了达到优化目标，即能耗最低，试验基于影响各个耗能的因素分别构建了耗能公式，计算恒温模式和停机后重启模式下的耗能。

• 恒温模式：属于表面散热。考虑到漆车间环境影响因素比较稳定，恒温耗能与时间基本成线性关系，能耗见下图绿色部分。
• 启停模式：着眼于停机管理，在能源监测的基础上，以数学理论分析启停最优时间，此计算可转化为优化问题，能耗见下图绿色部分。

根据建模搭建系统

根据过点信息统计分析与工程师预估，将数据录入，实时计算能耗消耗情况与建议机器开启情况。

为了解决这个问题，我们除了使用先进的模型工具外，更重要的是结合了工业场景和应用原理的领域知识，因为数据分析师们不单单要对智能算法非常了解，还要深耕工业生产系统，统筹利用各种数据资源。

随着整车制造企业生产过程自动化程度的不断提高，生产线上各种自动化设备监控、记录着大量的原始生产工艺数据。这些与生产过程密切相关的业务数据亟待被利用和挖掘。